A modo de referencia mostramos la extension de mar chiquita sobre la superficie de Córdoba (imagen Landsat5).

Para armar una imagen completa de Mar Chiquita es necesario 3 imágenes parciales de la misma. Es decir cada parte se obtiene de un parche azul de la imagen anterior. De las 3 imagenes parciales 2 pertenecen a la misma fecha (con una leve diferencia horaria) y la tercera suele tener una diferencia de unos 7 dias (anteriores o posteriores a las 2 primeras). En el fusionado de las imagenes aceptamos esta diferencia temporal y suponemos que no altera en forma considerable la fusión (en gral no se notan bordes discontinuos en margenes de la Mar). Entonces con estas 519 imagenes parciales armamos 168 imagenes completas de la Mar Chiquita.

Parches

Notemos el % de aporte de cada Path-Row (pisada de Landsat). El orden de la fusion de los parches tambien deben ser tenidos en cuenta (principalmente por nubes). Por ejemplo para el caso en cuestion:

Problemas en la Fusión

Notemos que en la imagen superior (228-81/229-81/228-82) al fusionar conservamos la mayor cantidad de nubes (malo) pero si fusionamos en orden (229-81/228-81/228-82) solo conservamos una pequeña porcion sin alterar la calidad del fusionado.

Image Stats

Se trabajo con las imágenes (nubosidad < 40%) provistas por los satelites (Path - Row: [229-81,228-81,228-82])

  • Landsat 5 (LT05): periodo [1986, 2011] - 348 imagenes
  • Landsat 8 (LC08): periodo [2013, 2021] - 171 imagenes

Unas 519 imágenes (~200Gb) usando rasterio,@dask_dev, @geopandas y @EoForge (entre otras).

Consideramos la nubosidad sobre la Mar y no la informada por los metadatos de la imagen satelital (puesto que estos lo hacen para toda la imagen) y puede prestarse a confusion (un % menor debido a la extension o informar nubosidad cuando en la region de la Mar no hay nubes.)

El proceso se realiza para el conjunto total de imagenes. Una vez realizado los cortes y las fusiones se procede a calcular un indice utilizando las bandas disponibles.

MNDWI

Particularmente consideramos el MNDWI: (green -MIR)/(green+MIR), una variacion del estandar NDWI: (green-NIR)/(green+NIR). MIR hace referencia a la banda infraroja media (B5 en Landsat5 por ejemplo) y NIR a la banda infraroja cercana (B4 en Landsat5). Este indice es particularmente util para resaltar cuerpos de agua por ejemplo.

Una vez calculado el indice se calcula un valor de referencia se procede a extraer la mascara (es decir aquellos valores que superan un umbral) y se la vectoriza (se genera el poligono en el sistema de coordenadas correspondientes y queda disponible para calcular, área, perimetro, etc).

Este proceso se repite para todo el set de imagenes, lo cual permite obtener la evolucion temporal del area ocupada por Mar Chiquita.

Evolución del Area

Sumamos una animación de la evolución de la extensión calculada de la Mar, donde incluimos como referencia (contorno gris) el área máxima ocupada en el periodo analizado. Si bien la animación contiene algunos polígonos que no son "limpios" (nubes,etc), la misma sirve para interpretar la evolución del área de la Mar y su comportamiento (hasta la fecha analizada).

<IPython.core.display.Image object>

Mostramos también una animación de la evolución de la Mar (Falso Color). La cantidad de imágenes es menor que la animación anterior (debido al tamaño de la imagen).

<IPython.core.display.Image object>

SAR - Optical

Para ir cerrando podríamos preguntarnos que pasa cuando tenemos (muchas) nubes? Eso lo podríamos responder con la siguiente figura (obtenida de @sentinel_hub), las imágenes (izquierda y derecha) tienen 1 día de diferencia.

Es decir, podríamos complementar la información de satélites con instrumentos ópticos (por ej, Landsat 8, Sentinel2) con satélites con Radar de Apertura Sintética - SAR (Sentinel1, SAOCOM,etc).

Para concluir marcamos que el sensado remoto es ideal para monitorear grandes extensiones (entre otras cosas), sumado al acceso libre de las imágenes satelitales y del sw de procesamiento, lo hacen un candidato adecuado para realizarlas en forma programática y automatizada.